Introducción

a Machine
Learning
Introducción
a Machine Learning

|Nombre del curso *

Introducción a Machine Learning

|Duración Inscripciones

8 semanas http://aprendizaje.dane.gov.co/inscripcion/

Fecha de inicio y finalización

Del 21 de septiembre al
17 de noviembre de 2017

Fecha máxima de inscripción y pago

Martes 19 de septiembre de 2017 a las 5:00 p.m.

* Curso de formación no formal, que no conduce a título o certificado de aptitud ocupacional, de conformidad con lo

estipulado en el Artículo 38 del Decreto 2888 de 2007. El DANE se reserva el derecho de realizar modificaciones en las

fechas establecidas y en los docentes asignados para cada temática.

|Objetivo general

Conocer los fundamentos computacionales, matemáticos y estadís-

ticos de Machine Learning y comprender su aplicación práctica para
resolver problemas de la vida real.

|Modalidad

B-Learning (aprendizaje virtual en la plataforma Moodle® junto con

sesiones presenciales o virtuales, por medio de videoconferencia,
para los participantes).

|Dirigido a

Personas interesadas en conocer los fundamentos de Machine Lear-

ning, o que, para el desarrollo de sus actividades laborales o intere-
ses académicos, requieran el manejo y comprensión de esta área del
conocimiento.

|Tutor

Jorge E. Camargo

Ingeniero de Sistemas de la Universidad Nacional de Colombia, magíster en Ingeniería de

Sistemas y Computación de la Universidad de los Andes, PhD en Ingeniería: Sistemas y Com-
putación de la Universidad Nacional de Colombia (Tesis Laureada). Profesor de planta del
Departamento de Ingeniería de Sistemas e Industrial de la Universidad Nacional de Colom-
bia. Cofundador de BigData Solutions S.A.S, compañía colombiana de base tecnológica que
presta servicios de Consultoría en Big Data. Participó como arquitecto para el proyecto “Vive
Gobierno Móvil”, en el cual el MinTIC fomentó el desarrollo de 52 aplicaciones móviles para
los ciudadanos. Cuenta con más de 50 publicaciones científicas en revistas, libros y conferen-
cias internacionales relacionadas con el manejo de grandes volúmenes de datos y aplicacio-
nes de Machine Learning en grandes volúmenes de imágenes, audio y texto.
Introducción
a Machine Learning
|Prerrequisitos
• Para tomar el curso es importante tener
conocimientos en probabilidad y estadística,
cálculo diferencial, álgebra lineal y álgebra
de matrices.
• También se requieren conocimientos só-
lidos en programación de computadores.
Las actividades de programación del curso
se realizarán en el lenguaje de programa-
ción Python, por lo que es deseable que el
estudiante tenga conocimientos previos en
este lenguaje.
|Requisitos técnicos
• Acceso a Internet garantizado a lo largo del
curso (preferiblemente banda ancha mínimo
de 1 Mbps).
• Computador con monitor a color y memo-
ria RAM mínimo de 512 Mb.
• Procesador Pentium 4 de 2Ghz o superior.
• Para las sesiones de videoconferencia debe
contar mínimo con audífonos, micrófono y
preferiblemente con cámara web.
|Software específico
• Para una visualización óptima de los con-
tenidos, se recomienda usar el navegador
Mozilla Firefox.
• Adobe Acrobat Reader, para visualización
de archivos tipo PDF.
• Durante desarrollo del curso se utilizará la
plataforma Databricks Community, la cual no
requiere instalación, solo es necesario acce-
der a ella desde un navegador tras crear una
cuenta de usuario, de forma gratuita.
Introducción
a Machine Learning
|Programa
Módulo 1.
Generalidades de Machine
Learning
Primer acercamiento al concepto de Ma-
chine Learning (ML) a través de un breve
recorrido por los acontecimientos más re-
levantes de su evolución. Se presentan las
aplicaciones de ML en diferentes contextos
y áreas de conocimiento, así como los dos
principales tipos de aprendizaje utilizados.
Este módulo también incluye una sección
de repaso del lenguaje de programación
Python y cómo utilizarlo en la plataforma
gratuita Databricks Community.
Módulo 2.
Regresión
Estudio de los modelos de regresión lineal
univariada y multivariada, útiles cuando se
desea predecir valores continuos con base
en datos históricos. Exploración del modelo
de regresión logística, típicamente utilizado
para tareas de clasificación. Adicionalmente,
en este módulo se analiza la importancia de
la regularización en los modelos de regresión.
Módulo 3.
Representación
Representación computacional de los datos
mediante características utilizadas para la
fase de aprendizaje, en un modelo de Ma-
chine Learning. Estudio de las técnicas para
la selección de las características más rele-
vantes previas al aprendizaje. Al finalizar el
módulo, se presenta la nueva tendencia en
ML para el aprendizaje de la representación
a partir de los datos.
Módulo 4.
Aprendizaje
Exploración de las técnicas más importan-
tes del aprendizaje supervisado (clasifica-
ción) y no supervisado (clustering). En este
módulo se muestran estrategias para en-
trenar un modelo de aprendizaje a partir de
la representación.
Introducción
a Machine Learning

|Resolución Inversión (Resolución 102 FONDANE)

Tarifas para contratistas, provisionales del DANE y FONDANE o participantes externos. Valor
por persona en pesos, incluido IVA:

Quienes devenguen
asignaciones básicas u Tarifa Valor por persona
Tarifas para honorarios mensuales entre: sin descuento
contratistas y
funcionarios de 1 SMMLV y $1.600.000 Tarifa I $204.000
planta provisional $1.600.001 y $2.700.000 Tarifa II $261.000
del DANE $2.700.001 y $3.900.000 Tarifa III $329.000
$3.900.001 y $8.200.000 Tarifa IV $420.000
o superiores a $8.200.001 Tarifa V $533.000

Tarifas para personal externo al DANE Valor por persona sin descuento
(valor por persona – incluido IVA) $601.000

* Los participantes internacionales deben realizar el pago en dólares de acuerdo con la tasa representativa del

mercado (TRM). Los servidores de carrera administrativa y libre nombramiento y remoción del DANE quedarán

exentos del pago de las tarifas a las que se refiere el artículo segundo de la Resolución 102 de 2017 del DANE –

FONDANE. La asignación de los cupos se realizará de acuerdo con el orden de inscripción.

Introducción
a Machine Learning

|Descuentos

1. Afiliados a la Sociedad Estadística: los participantes que se encuentren afiliados a la “So-

ciedad de la Estadística” tienen derecho a un descuento del 20% si tienen menos de un
año de afiliación, y del 50% si tienen un año o más de afiliación, sobre el valor total de
la actividad de aprendizaje según la tarifa a la que corresponda. Así mismo, el Comité
Directivo del DANE decidirá sobre otros posibles descuentos.

2. Servidores públicos externos al DANE: los servidores públicos externos al DANE que tra-
bajen para una misma entidad y que se matriculen en una actividad de aprendizaje de
producción y difusión estadística del DANE, contarán con un descuento grupal del 25%
para un grupo de hasta 20 personas y un descuento del 60% para grupos de más de
20 personas.

3. Servidores del DANE: los participantes que hayan sido ganadores de los concursos de:
Innovación y Aprendizaje; DATATON de CONDATOS y Olimpiadas de Gestión del Conoci-
miento del DANE; así como las personas que formen parte de los equipos de trabajo que
se encuentren vinculados en procesos de incorporación o aplicación de proyectos de in-
novación en la producción y difusión estadística y requieran formación en determinadas
habilidades para dicho proceso; tendrán un descuento del 90% del valor de la actividad
de aprendizaje y deberán pagar un valor del 10% de la misma, previa verificación en las
herramientas de seguimiento del DANE. El Comité Directivo del DANE podrá establecer
este tipo de incentivos acorde con las actividades o necesidades de la entidad.